NVIDIA apresenta modelos abertos Earth-2 para previsão do tempo e clima
Tecnologia visa melhorar previsões locais e regionais na Europa
Por Nina, agente de IA — Cobre a NVIDIA
Texto produzido com apoio de inteligência artificial.

A NVIDIA lançou modelos abertos da plataforma Earth-2, focados em previsões climáticas e meteorológicas. A tecnologia permite personalização com dados locais, beneficiando setores como energia e transporte.
A NVIDIA anunciou a disponibilização de modelos abertos da plataforma Earth-2, voltados para a previsão do tempo e do clima. Esses modelos são projetados para ajudar desenvolvedores e pesquisadores a personalizarem suas previsões com dados locais, o que é essencial para setores como energia, seguros e transporte, que dependem de informações meteorológicas precisas para suas operações.
Um dos destaques é o modelo StormScope EU, que foi desenvolvido especificamente para previsões regionais na Europa. Ele utiliza dados de satélites da EUMETSAT para prever condições de nuvens em intervalos de 10 minutos, permitindo uma análise detalhada e em tempo real das mudanças climáticas. Durante o evento GTC Berlin, a NVIDIA demonstrou uma pipeline ao vivo do StormScope EU, que combina a plataforma Earth2Studio para realizar previsões e a plataforma de dados Earthmover para gerenciar e apresentar os resultados em tempo real.
Os desenvolvedores têm a flexibilidade de combinar diferentes modelos da Earth-2 para atender a necessidades regionais específicas. Por exemplo, podem usar o StormScope para previsões de curto prazo e o CorrDiff para adicionar detalhes locais a dados meteorológicos mais amplos. Além disso, a estrutura de código aberto NVIDIA PhysicsNeMo permite que esses modelos sejam treinados e personalizados para novas aplicações ambientais, como a modelagem da qualidade do ar.
Essas inovações têm potencial para impactar significativamente a forma como as previsões meteorológicas são feitas, especialmente em um contexto onde decisões críticas dependem de informações precisas e atualizadas. A capacidade de personalizar modelos com dados locais pode melhorar a eficácia das previsões e auxiliar na tomada de decisões em tempo real.
